هوش مصنوعی و یادگیری عمیق در سیستمهای حفاظت فیزیکی

 

هوش مصنوعی اخیرا"  به اصطلاحی بسیار پرکاربرد در صنعت سیستمهای حفاظت فیزیکی تبدیل شده است. هوش مصنوعی ضرورتی است که پتانسیل ایجاد تغییرات شگرف در صنعت سیستمهای حفاظتی را داراست.

هوش مصنوعی به هوشی اشاره دارد که توسط ماشینها در برابر موجود زنده نمایش داده می شود. تعریف غیر رسمی آن را می توان به این صورت بیان نمود: " ماشینهایی که از فانکشنهای شناختی موجودات زنده از قبیل قابلیت یادگیری و نیز توانایی حل مشکلات در آنها تقلید می کنند."

عاملهای تاثیرگذار در رشد هوش مصنوعی

سه عامل در صنعت کامپیوتر پیش برنده رشد سریع هوش مصنوعی می باشند:

  • ظهور سخت افزارهای کامپیوتری با قابلیت انجام محاسبات پیشرفته، مشخصا واحدهای پردازش گرافیگی (GPU) ها که از پروسس موازی به جای پردازش سری که در CPUها استفاده می شود استفاده میکنند. بنابراین چندین محاسبه بطور همزمان و به صورت موازی به جای محاسبات پی در پی انجام میگردد. این رویکرد قابل تعمیم نیز می باشد. بدین معنی که مشکلات بزرگتر به تعدادی مشکل کوچکتر که بطور همزمان در حال رفع می باشد تقسیم می شود.
  • توسعه روشهای برنامه نویسی جهت train موثرتر سیستمها، مشخصا شبکه های عصبی که در ارتباط پیوسته با پردازشهای موازی GPU ها می باشند. شبکه عصبی یک سیستم محاسباتی می باشد که از تعداد زیادی عنصر پردازشگر مرتبط به هم تشکیل شده است. این اجزا از لایه های مختلفی تشکیل شده است که خود این لایه ها از تعداد زیادی نقطه مرتبط به هم تشکیل یافته است. هر لایه وظیفه محاسبه یک نتیجه را بر عهده دارد. هر یک از این نتایج تعیین کننده ورودی لایه بعدی می باشند.  با وجود بیش از صدها لایه امکان پردازش مقادیر عظیمی دیتا در طبقه بندیهای مختلف وجود دارد.
  • گسترش روزافزون استفاده از سنسورها ( از جمله دوربینهای ویدیوئی) که تولید کننده حجم زیادی دیتا جهت train موثر سیستمها می باشند. گسترش "داده بزرگ" متضمن این نکته خواهد بود که داده های کافی جهت train  سیستمها وجود خواهد داشت. داده های مربوط به سیستمهای نظارت تصویری دربرگیرنده 60 درصد از داده های بزرگ می باشد و این میزان سالیانه 20 درصد افزایش می یابد. این گسترش داده ها منبع مناسبی جهت استفاده هوش مصنوعی و نیز افزایش توانایی رنج وسیعی از سیستمها می باشد.

آموزش سیستمهای مجهز به هوش مصنوعی

در یک شبکه عصبی مبتنی بر GPU ، قواعد آموزش اهمیت ارتباط را تغییر داده است. هر لایه دارای اهمیت متفاوتی می باشد که منعکس کننده آن چیزی است که در لایه قبلی آموزش داده شده است. به هنگام ارائه طیفی از داده (مانند یک تصویر ویدیویی)، یک شبکه عصبی آنالیز اینکه این داده از چه طیفی می تواند باشد را بر عهده دارد.

یادگیری عمیق شامل استفاده از حجم زیادی داده از سیستمهایی است که توان یادگیری در شبکه های عصبی را دارند.

 

یادگیری عمیق قسمتی از خانواده بزرگتر روشهای یادگیری ماشین و این مفهوم که بسیار وابسته به بازار ویدیو است می باشد. یادگیری عمیق شامل استفاده از میزان قابل توجهی داده از سیستمهای می باشد که توان آموزش در شبکه های عصبی را دارا می باشند.

 

یادگیری عمیق در سیستمهای نظارت ویدیوئی

اجزا پردازش یکپارچه یک شبکه عصبی، بصورت موازی جهت حل یک مشکل در GPU عمل می کنند. این اجزا جهت تقلید از مغز انسان و میلیونها رشته عصبی آن طراحی شده اند. این جنبه از هوش مصنوعی، به عنوان یادگیری عمیق شناخته می شود  و اساس خانواده جدید سیستمهای نظارت تصویری می باشد. این تکنولوژی کارایی بالاتری را نسبت به سیستمهای قدیمی دارا می باشد.

این رویکرد به منظور بهبود اثربخشی سیستمهای نظارت تصویری مورد استفاده قرار می گیرد. در گذشته کامپیوترها با استفاده از الگوریتمهای آنالیز تصاویر برنامه ریزی می شدند در حالیکه در حال حاضر سیستمهای یادگیری عمیق train شده اند. اگر شما بخواهید یک گربه را تشخیص دهید، شما تصاویر زیادی از گربه را تهیه می کنید،این تصاویر  داده هایی هستند که سیستم به اجزا کوچکتری تقسیم می نماید و اشتراکات آنها را مشخص می کند. سپس مشخصه های مشترک را در بین تصاویر آموزش می بیند.

به منظور به حداکثر رساندن آموزش، هر چه داده بیشتری نمایش داده شود، دقت سیستم افزایش خواهد یافت.

 

از آموزش تا نتیجه

در حالیکه یک برنامه نویس ماهها را صرف نوشتن دستورات می کند تا به یک کامپیوتر بگوید که یک ماشین شبیه چیست، یک شبکه عصبی می تواند با استفاده از نمونه ها بدون نیاز به برنامه ریزی اضافی مراحل فراگیری را انجام دهد. اما آموزش یک شبکه عصبی پروسه ای زمانبر است و برای کامل شدن نیاز به ساعتها و یا روزها زمان دارد. فرایند training از لحاظ محاسباتی پروسه ای بسیار پیچیده است.

به هر حال، وقتی یک شبکه عصبی train  شد، می تواند به منظور نتیجه گیری مورد استفاده قرار گیرد. به عنوان مثال به منظور تصمیم گیری در مورد اینکه یک تصویر گربه است یا نه.

نتیجه گیری از لحاظ محاسباتی فرایندی ساده تر است، بنابراین اجازه توسعه سیستمهای train شده را بر روی دستگاههای از قبیل ذخیره سازهای تحت شبکه ( NVR ) و یا حتی بر روی دوربینهای ویدیویی تحت شبکه را می دهد.

یادگیری عمیق می تواند به دقت تشخیص الگوی فوق العاده انسان، عدم تداخل، طبقه بندی و تشخیص هزاران ویژگی دیگر دست یابد. این ویژگیها به ویژه به منظور استفاده در برنامه های تحلیل تصویر بسیار مفید می باشد.